Customer-Lifetime-Value-Modell für einen Energieversorger
Übersicht
Worum es bei diesem Projekt geht.
Baue zwei CLV-Modelle (BG/NBD + Gamma-Gamma und XGBoost) mit 1,4 Mio. Kundendaten eines Energieversorgers, evaluiere sie und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Wie modelliert man den Customer Lifetime Value für Energieversorgungs-Kund:innen und vergleicht probabilistische vs. ML-Ansätze methodisch sauber?
Earning criteria — what you'll demonstrate
- BG/NBD und Gamma-Gamma korrekt auf Energie-Vertragsdaten anpassen
- XGBoost mit RFM- und Vertrags-Features tunen
- Holdout-basierte Evaluation und Kalibrierungs-Analyse durchführen
- Modell-Wahl mit Geschäftslogik begründen (Erklärbarkeit vs. Genauigkeit)
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Data Mining and Information Retrieval
Master · Cs Se
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
CLV-Modellierung mit zwei methodisch unterschiedlichen Ansätzen ist eine Senior-Level-Übung — die Erfahrung mit probabilistischen Modellen ist im DACH-Energiesektor knapp und gut bezahlt.
Dieses Projekt schärft
- clv-modeling
- probabilistic-models
- customer-analytics
Data-Analyst:in
Data Analysts mit XGBoost-Erfahrung und sauberer Kalibrierungs-Diagnostik können Modell-Outputs für nicht-technische Stakeholder zuverlässig erklären.
Dieses Projekt schärft
- xgboost
- evaluation-metrics
- customer-analytics
AI Engineer
AI Engineers, die CLV-Modelle produktiv betreiben, brauchen exakt diese Mischung aus Modell-Vergleich und Feature-Engineering.
Dieses Projekt schärft
- xgboost
- feature-engineering
- clv-modeling
Noch eine Sache